预测技术商业化成功指数的一种改进方法

李自玲

（武汉华夏理工学院，湖北 武汉 430223）

预测技术商业化成功指数的一种改进方法

李自玲

（武汉华夏理工学院，湖北 武汉 430223）

本文采用结构方程模型来预测技术商业化成功指数，通过改进TCSI的计算方法对技术开发者和技术使用者进行理想化的技术匹配。所作的结构方程模型用改进的偏最小二乘估计法拟合，从而保证了迭代的收敛性，提高了收敛速度。

技术商业化成功指数；结构方程模型；偏最小二乘

一、引言

在信息技术（IT）领域R&D获得了不少投资，但其商业化率比我们预想的低，这就意味着资金的巨大浪费。为了提高IT业R&D投资的有效性，我们需要了解商业化的进程。

在商业化进程和基础设施方面，R.G.库珀完成了对商业化的定义以及将商业化进程概念化，S.N.Bar-Zakay分析了技术传播每个阶段的成功因素，它们都没有研究商业化因素间的结构关系。So Young Sohn、Tae Hee Moon提出了一种表达这种结构关系的结构方程模型（SEM），但模型仅是简单的结构形式，没有考虑各因素的层次关系，且研究目的不是预测，而是诊断。

本文应用顾客满意度原理预测技术商业化成功指数，对常用的PLS方法和CSI最后计算公式提出了改进，提高了预测结果的精确度。

二、预测技术商业化成功指数的结构方程模型

该模型含有9个结构变量ξ1～ξ3、η1～η6，10个关系，如图1。基本结构方程为：（δi是随机误差项）

本模型共有30个观测变量，每个结构变量对应的观测变量数目依次为 3，6，3，3，3，3，3，3，3。结构变量排列次序为管理δ1，规章δ2，技术传播δ3，R&Dη1，应用η2，市场η3，商业化成功η4，扩散效果η5，企业技术能力的改进 η6。

图1 预测TCSI的结构方程模型

自变量对应的观测变量以xi，i=1，…，12表示，因变量对应的观测变量以yj，j=1，…，18表示。自变量对应的结构变量与观测变量关系方程为：

其中 ρ11，…ρ33，λ11，…λ36载荷项，δ1，…δ12，滓1，…，滓18为误差项。反之，从观测变量到结构变量的关系方程可以表达为：

这里L（k），L（i）分别表示与第k个自变量，第i个因变量相联系的观测变量号码，δk，τi为随机误差项。

三、不足

目前国际通行的路径分析模型与偏最小二乘（PLS）方法，存在若干问题。

1、迭代初值

CSI模型创始人Fornell承认他的PLS方法不一定确保收敛，其论文以及许多参考文献给出的计算方法，迭代初值任给，一般取（1，0，0，…，0），且没有收敛性的证明。

国家质检总局质量管理司、清华大学中国企业研究中心介绍CSI模型的PLS迭代，250个样本，18个指标，大约需要迭代4－5分钟，收敛速度太慢。

2、CSI计算公式

目前CSI最后计算公式有两种：

公式一：具有统计稳健性，但不太全面。即

公式二：Fornell教授的公式缺乏统计稳健性。如下

四、改进

1、最佳迭代初值

我们发现，迭代初值不必任给，可由最小二乘原理求出λij的最佳迭代初值。

对（3），记Yi=（y1i，…，yij），设观测变量各有n个观测，则Yi为n×j的矩阵。记Λi=（λ1i，…，λji），滓=（滓1，…，滓j），则（3）可以写为：

作乘积Y'iYi≈Λ'iη'iηiΛi=η'iηΛ'iΛi，若取结构变量为单位向量，即η'iηi=1，则

取对角线的元素相等得

对自变量ξ也有类似结果。这样就得到了观测变量与结构变量之间的系数的最小二乘意义下的初值，即矩阵Λi的估计值Λˆi=（λˆ1i，…，λˆji）。

接着估计结构变量ηi。 设ηi=（ηi1，ηi2，…，ηin）。 对第s个分量，有

矩阵形式为

其中Ys=（y1s，…，yjs）是矩阵Yi的横截向量。同理，得ηis的最小二乘解。

表1 TCSI的变量以及结构方程系数计算结果

其中Λi是已经估计出来的值。类推就得到全部结构变量的估计值，再用偏最小二乘迭代，收敛速度就快得多。对250份样本，只需要3～4秒钟即可完成计算，提高收敛速度近百倍。

2、CSI计算公式的改进

我们提出稳健而全面的CSI最终计算公式如下：

计算出所有观测变量到顾客满意度变量的影响系数，分清了主从关系。与顾客满意度直接关联的观测变量较亲，它们的影响系数就是ωi；其余变量较疏，它们的影响系数是ωi与茁i的乘积，即它们要先通过ωi影响自己的结构变量，再通过茁i影响顾客满意度；顾客满意度以后的结构变量将不对顾客满意度发生影响。与前两个公式相比，这个显然稳健且全面。

五、SEM的分析

以一组标准化的样本为例，TCSI变量的观测值为1到10。采用改进算法（16），使用DASC软件计算，结果见表1。

按照本文提出的第三种公式（16）计算得技术商业化成功指数为55.456959。

应用改进公式对[1]分类的各种技术方案估计TCSI.在7种不同的技术方案中，以下技术具有最高的期望TCSI值：在非政府项目上的合作开发技术，以及应用电信产品，包括通讯网络技术、交换技术和传真技术，因拥有100多名员工和高额R&D支出的公司抢占了商机。

六、结论

本文应用路径分析模型与PLS方法来预测TCSI，给出PLS的最佳迭代初值，保证了迭代的收敛性，提高了收敛速度，同时给出了CSI稳健而全面的计算公式。通过比较几种选择的期望TCSI值，可以更精确地判断出技术商业化过程较好的路径。

[1] So Young Sohn、Tae Hee Moon：Structural equation model for predicting technology commercialization successindex （TCSI）[J].Technological Forecasting&Social Change，70（2003）885-899.

[2] C.Fornell，M.D.Johnson、E.W.Anderson：The American customer satisfaction index: nature，purpose，and findings.J.Mark.60 （1996）7-18.

[3] R.G.Cooper：Winning at New Products[M].Addison-Wesley，Boston，MA，1986.

[4] S.N.Bar-Zakay：Technology transfer from the defense to the civilian sector in Israel: methodology and findings，Technol[J].Forecast.Soc.Change，10（2）（1977）143-158.

[5] 国家质检总局质量管理司、清华大学中国企业研究中心：中国顾客满意指数指南[M].中国标准出版社，2003.

[6] 童恒庆：数据分析与统计计算软件DASC[M].武汉理工大学出版社，2005.

（责任编辑：范曦卓）